基于改进YOLOv5的安全帽检测算法

为了解决建筑工地、隧道、煤矿等施工场景中现有安全帽检测算法对于小目标、密集目标以及复杂环境下的检测精度低的问题,设计实现了一种基于YOLOv5的改进目标检测算法,记为YOLOv5-GBCW.首先使用Ghost卷积对骨干网络进行重构,使得模型的复杂度有了显著降低;其次使用双向特征金字塔网络(BiFPN)加强特征融合,使得算法对小目标准确率提升;引入坐标注意力(Coordinate attention)模块,能够将注意力资源分配给关键区域,从而在复杂环境中降低背景的干扰;最后提出了Beta-WIoU作为边框损失函数,采用动态非单调聚焦机制并引入对锚框特征的计算,提升预测框的准确率,同时加速模型收敛.为了验证算法的可行性,以课题组收集的安全帽数据集为基础,选用了多种经典算法进行对比,并且进行了消融实验,探究各个改进模块的提升效果.实验结果表明:改进算法YOLOv5-GBCW相较于YOLOv5s算法,算法平均精确率(IOU=0.5)提升了5.8%,达到了94.5%,检测速度达到了124.6 FPS(每秒处理帧数),模型更加轻量化,在复杂环境、密集场景和小目标场景下检测能力提升显著,并且同时满足安全帽检测精度和实时性的要求,给复杂施工环境下安全帽检测提供了一种新的方法.

基于Raspberry Pi的安全帽识别系统设计与实现

为了便于施工危险区域人员的自动化识别,提出了一种基于Raspberry Pi的安全帽识别算法。该算法将摄像头采集到的原始视频图像进行滤波、形态学等处理,再对图像中的安全帽进行识别。对于彩色安全帽,将原始图像转换到HSV空间,根据不同颜色色调阈值的设定同时识别红、黄、蓝三种颜色的安全帽,并结合形状特征剔除错误目标。对于白色安全帽,将原始图像转化成B通道下的灰度图像,解决了将黄色误检为白色的问题。采用V通道直方图均衡化的方法,提升了昏暗光线条件下的图像亮度。实验结果表明:在无需提前训练的情况下,算法对于单色安全帽识别准确率超过了91%,对于多色安全帽识别率超过了90%,为施工危险区域的安全隐患排查和作业管控提供了解决方案。

基于多重机制优化YOLOv8的复杂环境下安全帽检测方法

为了解决建筑工地、隧道、煤矿等施工场景中现有安全帽检测算法对于小目标、密集目标以及复杂环境下的检测精度低的问题,提出了一种基于多重机制的安全帽检测方法。以YOLOv8n为基础将Backbone部分的C2f模块加入可扩张残差(DWR)注意力模块,使得网络能够更灵活地适应不同尺度的特征,以而更准确地识别图像中的物体;采用可变形卷积AKConv模块取代主干部分中的原始Conv,为卷积神经网络带来了显著的性能提升,从而实现更高效的特征提取。此外引用了大型可分离核注意力LSKA模块与SPPF结构相结合,大大增强了模型核心的融合能力。在Safety helmet数据集的实验结果表明,改进后的算法相较于原模型,mAP@0.5指标上提升了10.5个百分点,在mAP@0.5-0.95指标上提升了3.7个百分点,能有效提高复杂场景下的安全帽佩戴检测精度。

复杂作业场景下的反光衣和安全帽检测方法

针对现有算法在复杂的工地环境中进行反光衣和安全帽检测时存在的无法有效区分目标和背景的微小差异问题,提出了一种改进YOLOX的反光衣和安全帽检测算法。首先,将主干网络中空间金字塔池化中的最大池化替换为平均池化,减少特征图的信息损失和过拟合风险;其次,设计一种带权注意力模块(Weighted Convolutional Block Attention Module,W-CBAM)嵌入特征融合层,通过权重系数提升对特征图空间维度的关注,增强特征图的表达能力;最后,添加自适应特征融合(Adaptively Spatial Feature Fusion,ASFF)模块,解决多尺度特征融合时存在的不一致性问题。在扩充后的公开反光衣安全帽数据集的试验结果表明,所提算法精度高达98.79%,优于原始的YOLOX算法和其他先进算法,同时具有较快的检测速度,满足施工环境检测需求。

基于上下文融合和注意力的安全帽检测方法

安全帽检测是近年来目标检测在工业生产作业领域的一个研究热点。针对安全帽检测过程中容易出现的小尺度目标错检、漏检等问题,提出一种基于上下文融合和注意力的安全帽检测方法。方法通过利用混合域注意力强调目标关键特征信息,加强特征提取;同时,构建基于非局部注意模块的上下文信息融合结构,将底层全局上下文信息引入深层特征中,进一步细化深层语义信息;此外,利用感受野模块捕获多尺度特征和增大感受野,以减少小尺度目标在特征融合过程中出现特征信息丢失,以及预测过程中对小尺度目标不敏感的问题。实验分析表明,上述方法在安全帽佩戴数据集上对于安全帽检测的AP值达到93.10%,较原YOLOv4提升2.12%,mAP达到93.07%,较原YOLOv4提升1.39%。

改进YOLOX的夜间安全帽检测算法

安全帽检测是保障建筑施工现场安全的一个有效手段。为保证暗光条件下图像分辨度,塔机吊钩摄像头夜间经常需采集灰度图像。由于摄像头晃动和人员走动,安全帽目标区域还经常会出现模糊现象。为解决模糊灰度图像中目标特征丢失所导致的检测精度下降问题,以YOLOX为基准模型,提出一种用于夜间安全帽检测的特征增强和回归权重自适应YOLOX(feature enhancement and regression weight adaptive,FERWA-YOLOX)算法。算法在输入层增加了融合不同大小感受野的多尺度残差(multi-scale residuals,MSR)模块,在同层网络中融合更多局部特征,降低目标局部模糊带来的影响;在解耦头的分类分支增加并行池化通道注意力(parallel pooling channel attention,PPCA)模块,弥补因目标颜色特征丢失所导致的网络分类能力的下降;设计了一种带双惩罚项的损失函数(double penalty items-Siou,DPI-Siou),自适应地降低形状固定目标的形状损失和模糊目标在回归时的权重,提高网络的检测精度。实验结果表明,FERWA-YOLOX较原YOLOX算法,mAP提升了4.88个百分点,参数量仅提升0.5 MB,且满足夜间实时检测需求。

安全帽送风强度对人体呼吸微环境影响研究

为改善作业人员呼吸微环境,对送风式安全帽佩戴者呼吸微环境温度场、速度场和浓度场进行研究。通过假人试验方法测试安全帽在不同送风强度下的人体呼吸微环境温度、速度和粉尘质量浓度,研究人体呼吸微环境温度分布及速度分布规律,阐明安全帽送风强度对人体呼吸微环境中总尘及呼尘降尘效果的影响,进而分析佩戴者对安全帽送风强度的满意程度。结果显示,人体面中部位降温效果优于人体脸颊两侧,其中人体鼻子处降温效果较为明显;安全帽在不同送风强度下对人体呼吸微环境速度场的分布规律一致;当送风强度为Ⅳ级时,人体呼吸微环境内粉尘降尘效率最高,佩戴者满意率最高;人体微环境总尘和呼尘降尘效率分别可达到81.39%和82.89%。研究结果可为改善人体呼吸微环境提供参考。

基于yolov5s的改进安全帽检测算法

针对现有安全帽检测算法对于远距离目标以及背景复杂的工地场景下的安全帽识别检测精度较低的问题,对yolov5s结构进行改进,主干网络中引入CoorAtt注意力机制增强特征提取能力,加强对重要的小目标信息的关注;然后将原模型中的SPP模块替换成ASPP模块,通过使用空洞卷积层来代替池化层,降低了最大池化导致的特征信息丢失,同时采用不同的扩张率增大感受野,并且有效地提取不同尺度的特征;其次在颈部网络使用BiFPN结构,更高效地对特征信息进行融合;最后通过更改损失函数为WIOU通过引入动态非单调聚焦机制,平衡模型对各质量样本的关注,提高网络的整体性能,从而提高目标检测精度。为了测试算法的有效性,文中在公共数据集Safety Helmet Detection上进行实验。实验结果表明,改进后的yolov5s算法,目标检测mAP达到了88.5%,比改进之前的yolov5s算法提升了2.1%。

基于改进YOLOv7的安全帽佩戴检测算法

为提高作业场所中安全帽佩戴检测的算法精度,本文提出一种基于YOLOv7网络架构进行改进的优化算法。该算法以YOLOv7为基准模型,在其网络的ELAN结构和SPPCSPC结构中引入一种无参数的注意力机制SimAM,取代其原有部分的卷积模块CBS,以增强检测网络的特征提取能力,提升模型对图像中目标和背景的区分能力。在检测头的卷积中引入坐标卷积模块,使得卷积能够感知空间信息,改善目标定位精度低的问题。将YOLOv7中原生的损失函数替换为WIoU损失函数,使算法专注于困难样本,提升其分类性能。在数据集上对改进模型进行验证,实验结果表明,改进后模型平均精度为84.7%,相较于原YOLOv7模型提升了5.7个百分点。通过一系列对比实验证明了改进算法的有效性,相较于主流模型具有一定优势,对后续的研究和应用具有参考价值。

基于改进YOLOv7的安全帽佩戴检测算法

为提高工作场所安全帽佩戴的检测精度,提出一种基于YOLOv7网络架构的改进算法。首先,在特征提取网络中引入卷积块注意力机制(CBAM)取代YOLOv7中主干网络部分原有的卷积模块(CBS),增强网络的特征提取能力,加强网络对目标和背景的分辨能力;其次,为解决由于网络层数的加深导致小目标特征减弱甚至消失的问题,增加一个小目标层,通过将浅层网络特征与深层网络特征融合,进一步保留小目标特征。实验结果表明,原YOLOv7对安全帽佩戴检测的均值平均精度为86.1%,改进后到达93.4%,实现了检测精度的提高。

基于K210的建筑工人安全帽佩戴检测及考勤系统设计

为解决施工现场人员考勤及正确佩戴安全帽检测问题,开发了以K210处理器为核心的工人安全帽佩戴检测及考勤系统。该系统分为主控系统和上位机管理系统两部分,主控系统通过摄像头获取施工现场入口图像信息,识别图像中的人脸及安全帽佩戴情况,如果属于工地工作人员且正确佩戴了安全帽,则计入考勤信息并打开闸门放行,若图像中的人员不属于该工地工作人员或未正确佩戴安全帽则发出警报,闸门不放行。主控系统通过WiFi与上位机通讯,将工地入口的图像和考勤信息上传至上位机管理系统。上位机管理系统具有工地入口图像显示和考勤信息查询、统计等功能。经测试,该系统的人脸识别成功率达到95%,安全帽佩戴检测正确率达到98%。引入该系统后,减轻了管理员对工地工作人员安全帽佩戴监督与考勤管理的工作压力,提高了工作效率。

基于改进YOLOv5模型的安全帽佩戴检测方法研究

建筑施工现场环境复杂,现有的安全帽检测算法很难在这种复杂环境下保持准确性和实时性。针对此问题,本文提出了一种基于改进YOLOv5s的安全帽佩戴检测模型(YOLOv5s-REG)。首先,基于Res2Net网络提出了C3_Res2Block模块,替代骨干网络中的C3模块,捕捉更丰富的特征信息;其次,在骨干网络中引入ECA注意力机制模块,增强模型对通道特征的关注度;最后,引入GSConv模块替换颈部网络的Conv模块,减少模型的参数量。实验结果表明,改进后的模型平均精度均值达到94.2%,同时浮点运算次数减少至14.4 G,本文模型在满足检测精度需求的同时成功地降低了模型的复杂度,适用于施工现场算力有限的边缘设备。

基于YOLOv8算法的电厂场景安全帽佩戴检测识别方法

安全帽佩戴对于电厂施工人员的安全至关重要,但在复杂的电厂环境中施工人员难免会出现掉帽的情况。为了判断施工人员是否佩戴安全帽,文章提出了一种基于YOLOv8电厂场景的安全帽检测识别方法。针对开源安全帽数据集在电厂场景样本数量不足的问题,采集、清洗并标注电厂场景数据,重新构建安全帽数据集。基于ultralytics框架,采用YOLOv8 Nano神经网络模型对数据集进行训练,得到FPS为91.7,AP50为93.5%的网络模型。实验结果表明:该方法有效和快速检测施工人员是否佩戴安全帽,具备较好的应用效果。

改进YOLOv7的轧钢车间安全帽佩戴检测算法

佩戴安全帽能够保护生产工作者头部免受坠物撞击带来的伤害;轧钢车间存在空间跨度大、作业设备繁多、环境杂乱、昼夜光照差别大、炫光、监控目标尺度变化范围大等问题,增加了安全帽佩戴检测难度;针对上述问题,设计了基于改进YOLOv7模型的轧钢车间安全帽佩戴检测方案;算法基于NWD方法改进损失函数以提高目标检测精度,并在SPPCSPC模块上增加了BiFormer模块,使模型对小目标具有更好的检测精度,同时不会增加运算负担,优于其他注意力机制;在自建安全帽数据集上对改进的YOLOv7模型进行训练,实验表明,改进的YOLOv7模型平均精度均值为99.3%,检测速度达82FPS,与其他主流算法、改进算法对比,改进YOLOv7的mAP指标最高,大大超过了其他模型的指标,同时检测速度基本与改进模型前相差不大,并没有因为精度提高而明显降低检测速度,有较好效果。

复杂作业环境下安全帽实时检测算法研究

为解决建筑工地安全帽背景复杂时检测精度不高、安全帽目标太小不易检测等问题,以YOLOv5框架为基础,提出了一种复杂作业环境下安全帽实时检测算法。首先,在网络中添加坐标注意力机制模块,以抑制无效背景对目标的干扰并提高网络对目标特征的提取能力;其次,在特征融合层引入自适应空间特征融合模块,使网络能自动学习不同特征层的权重,从而增强特征融合能力;最后,采用缩放交并比损失替代完整交并比损失作为边界框损失函数,以解决预测框在回归时的随意匹配问题,进一步提高模型的检测精度并加速收敛速度。结果表明,相较于原始YOLOv5模型,改进后的网络精度提升了2.6百分点,平均精度均值提高了2.3百分点,达到了95.6%,有效提高了复杂环境下安全帽的检测能力。

基于FE-YOLOv5s 的变电所安全帽佩戴检测

本研究针对变电所安全帽佩戴检测任务中存在的漏检、误检和低精准率等问题,提出了一种基于FE-YOLOv5s的改进算法。首先,通过引入FReLU激活函数构建了FSPPF模块,有效增强了网络的特征提取能力,从而提升了检测性能。其次,采用ECA注意力机制提高了模型对关键特征的关注度,特别集中在安全帽这一小尺度目标上提高检测的准确性,降低漏检误检的概率。实验结果表明,FE-YOLOv5s在自建数据集上取得了显著的提升,精准率达到0.941,mAP值为0.898,相较于原始模型分别提高了9.93%和4.6%,表现出较好的检测效果。这一改进算法为解决变电所安全帽佩戴检测问题提供了一种有效的解决方案。

基于改进Cascade R-CNN的安全帽检测算法

针对安全帽检测中,目标形状、尺度变化大,易出现漏检、误检等问题,提出了一种基于改进级联基于区域的卷积神经网络(Cascade R-CNN)的安全帽检测算法。首先,对ResNet50进行改进形成D-ResNet50,利用可变形卷积仅增加少量参数就可增大感受野的特性,对特征提取网络的C2~C5卷积层进行重塑,提高网络对目标几何变换的适应能力和特征提取能力。其次,将D-ResNet50作为主干网络引入Cascade R-CNN,形成级联目标检测器,在每个阶段对正负样本重采样,抑制误检问题。再次,对递归特征金字塔进行改进,更高效地进行多尺度特征融合,并且基于反馈信息对特征进行二次处理,增强特征表达,提高网络的分类和定位能力。最后,使用Soft-非极大值抑制(Soft-NMS)进行后处理,进一步解决漏检问题。提出的方法在Hard hat workers数据集上的AP值相比检测基线提高了3.5%,与Sparse R-CNN、TridentNet、VFnet等先进算法相比分别提升了4.7%、5.9%、2.3%等。

化工园区场景下安全帽佩戴状态检测算法研究

针对现有基于深度学习的安全帽佩戴状态检测算法在化工园区复杂场景下小目标检测效果差等问题,提出了一种基于YOLOv5s改进的安全帽佩戴状态检测算法SEE-YOLOv5s。通过增加小目标检测头,以更好地捕捉和定位小目标,从而提高模型对复杂场景小目标的识别和检测能力;将YOLOv5s所有的C3模块融合轻量ECA(efficient channel attention)注意力机制,有效整合全局特征信息,提升小目标检测能力,并降低模型复杂度;引入EIoU(efficient intersection over union)损失函数,提升模型训练效果。在自建的SHWD-HG数据集上进行实验,实验结果表明,改进后YOLOv5s比原始模型的P(precision)、R(recall)、mAP0.5(mean average precision 0.5)和mAP0.5:0.95分别提高了0.5、6.5、5.9和3.2个百分点,且模型大小降低了0.7 MB。

面向小目标的改进YOLOv5安全帽佩戴检测算法

安全帽是施工人员的安全保障,但是现有安全帽检测模型在复杂环境下对重叠和密集小目标存在误检和漏检等问题,为此提出改进YOLOv5的小目标检测算法。在YOLOv5的主干网络中加入Transformer捕获多个尺度上的全局信息,获得更丰富的高层语义特征;使用GsConv卷积进行特征融合增强,并引入坐标注意力机制(coordinate attention),让网络在更大区域上进行注意;检测头将分类和回归进行解耦,加快收敛速度;使用无锚点(anchor-free)的检测方法,简化算法结构,加快检测速度;使用EIOU损失函数来优化边框预测的准确度。在自制安全帽数据集上实验结果表明,改进的YOLOv5模型平均精度达到了96.33%,相比于YOLOv5模型,平均精度提高了4.73个百分点,达到了在复杂条件下对重叠和密集小目标检测的要求。

基于YOLOv5改进的铁路工人安全帽检测算法研究

目前铁路上普遍采用人工监督方式来检测工人是否佩戴安全帽,但监督范围过大,在实践中不能及时跟踪和管理所有工作人员;因此针对该问题,采用深度学习目标检测的方法,通过改进YOLOv5s目标检测算法来实现铁路工人是否佩戴安全帽和穿戴背心;具体来说,以YOLOv5s算法为基础,采用GhostNet模块替换原始网络中的卷积Conv,提高模型的实时检测速度;采用更高效简单的多尺度特征融合BiFPN,使特征融合方式更加简单高效,以提高检测速度和降低模型复杂度;把原始的CIOU损失函数替换为SIOU损失函数,以提高模型精度;研究结果表明,改进的YOLOv5s-GBS算法的准确率和识别效率可达到95.7%和每秒45帧,并且模型大小减少了一半,准确率提高了4.5%。